灰度变换

灰度变换和二值化的区别：

• 灰度变换是调整调整图像的灰度动态范围或图像对比度
• 二值化是将图像的每个像素点调至0或255，只呈现白色或黑色

1.灰度化处理

图片的灰度化：将一个像素点的三个颜色变量相等，R=G=B，此时该值称为灰度值

直接调用opencv中的函数，读入的图片可以与代码文件放在一起这样可以省略输入图片路径。

#读入原始图像
img=cv2.imread('test.jpg')
#灰度化处理
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

二值化

#二值化处理
ret,im_fixed=cv2.threshold(gray,50,255,cv2.THRESH_BINARY)

二值化处理：将一个像素点的值突出为0,255，使得图片呈现黑白两种颜色。在灰度图像中像素值在0~255,二值化后图像中像素值为0或255。

CV_THRESH_BINARY, //表示如果当前像素点的灰度值大于阈值则将输出图像的对应位置像素值置为255，否则为0

• 方法一：固定阈值二值化

# function:将灰度图片转为二值化图片,方法一:固定阈值二值化
import cv2 as cv

gray_img = cv.imread('./img/gray_img.png')

# 二值化函数
ret, erzhihua_img = cv.threshold(gray_img, 100, 255, cv.THRESH_BINARY)

cv.imshow('erzhihua_img', erzhihua_img)
cv.imwrite('./img/erzhihua_img.png', erzhihua_img)
cv.waitKey(0)
cv.destroyAllWindows()

• 方法二：算术平均的自适应二值化

# function:算术平均的自适应二值化
import cv2 as cv

# 这里很奇怪，不能直接传灰度图片的imread路径，要直接是灰度图片，像下面这样
img = cv.imread('./img/img.png')
gray_img = cv.cvtColor(img, cv.COLOR_RGB2GRAY)

# 二值化函数
erzhihua_img = cv.adaptiveThreshold(gray_img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)

cv.imshow('erzhihua_img', erzhihua_img)
cv.imwrite('./img/erzhihua1_img.png', erzhihua_img)
cv.waitKey(0)
cv.destroyAllWindows()

• 方法三：高斯加权均值法自适应二值化

# function:高斯加权均值法自适应二值化
import cv2 as cv

# 这里很奇怪，不能直接传灰度图片的imread路径，要直接是灰度图片，像下面这样
img = cv.imread('./img/img.png')
gray_img = cv.cvtColor(img, cv.COLOR_RGB2GRAY)

# 二值化函数
erzhihua_img = cv.adaptiveThreshold(gray_img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 8)

cv.imshow('erzhihua_img', erzhihua_img)
cv.imwrite('./img/erzhihua2_img.png', erzhihua_img)
cv.waitKey(0)
cv.destroyAllWindows()

线性变化和非线性变化

对数变换

对数变换：由于对数曲线在像素值较低的区域斜率大，在像素值较高的区域斜率较小，所以图像经过对数变换后，较暗区域的对比度将有所提升。可用于增强图像的暗部细节。

import cv2 as cv
import copy
import math

# 读入原始图像
img = cv.imread('./img/img.png', 1)

# 灰度化处理：此灰度化处理用于图像二值化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 对数变换
logc = copy.deepcopy(gray)
rows = img.shape[0]
cols = img.shape[1]
for i in range(rows):
    for j in range(cols):
        logc[i][j] = 10 * math.log(1 + logc[i][j])

# 通过窗口展示图片 第一个参数为窗口名 第二个为读取的图片变量

cv.imshow('logc', logc)
cv.imwrite('./img/logc_img.png', logc)

cv.waitKey(0)
cv.destroyAllWindows()

# 对数变换
logc = copy.deepcopy(gray)
for i in range(rows):
    for j in range(cols):
        logc[i][j] = 3 * math.log(1 + logc[i][j])

反色变换

反色变换：对原图像像素值的颜色进行反转，即黑色变为白色，白色变为黑色。

#补色变换
cover=copy.deepcopy(gray)
for i in range(rows):
    for j in range(cols):
        cover[i][j]=255-cover[i][j]

伽马变换

伽马变换：用来图像增强，提升了暗部细节，简单来说就是通过非线性变换，让图像从暴光强度的线性响应变得更接近人眼感受的响应，即将漂白（相机曝光）或过暗（曝光不足）的图片，进行矫正。

• 伽马值小于1时，会拉伸图像中灰度级较低的区域，同时会压缩灰度级较高的部分

• 伽马值大于1时，会拉伸图像中灰度级较高的区域，同时会压缩灰度级较低的部分

import cv2 as cv
import numpy as np


# gamma correction
def gamma_correction(img, c=1, g=2.5):
    out = img.copy()
    out /= 255.
    out = (1 / c * out) ** (1 / g)
    out *= 255
    out = out.astype(np.uint8)
    return out


# Read image
img = cv.imread('./img/img.png').astype(np.float)

# Gammma correction
out = gamma_correction(img)

# Save result
cv.imshow("result", out)
cv.imwrite("./img/gamma1.jpg", out)
cv.waitKey(0)
cv.destroyAllWindows()

#伽马变换
gamma=copy.deepcopy(gray)
rows=img.shape[0]
cols=img.shape[1]
for i in range(rows):
    for j in range(cols):
        gamma[i][j]=3*pow(gamma[i][j],0.8)

gamma变换代码2：

import cv2 as cv
import copy

# 读入原始图像
img = cv.imread('./img/img.png', 1)

# 伽马变换
gamma = copy.deepcopy(img)
rows = img.shape[0]
cols = img.shape[1]
for i in range(rows):
    for j in range(cols):
        gamma[i][j] = 3 * pow(gamma[i][j], 0.5)

cv.imshow('gamma', gamma)
cv.imwrite("./img/gamma2.jpg", gamma)
cv.waitKey(0)
cv.destroyAllWindows()